Novel algorithms in X-ray computed tomography imaging from under-sampled data

Näytä kaikki kuvailutiedot

Permalink

http://urn.fi/URN:ISBN:978-951-51-4222-1
Julkaisun nimi: Novel algorithms in X-ray computed tomography imaging from under-sampled data
Tekijä: Purisha, Zenith
Muu tekijä: Helsingin yliopisto, matemaattis-luonnontieteellinen tiedekunta
Opinnäytteen taso: Väitöskirja (artikkeli)
Tiivistelmä: This thesis presents novel algorithms in X-ray computed tomography imaging using limited or sparse data: I. A non-uniform rational basis splines (NURBS) curve is used to represent the boundary of a target. Markov chain Monte Carlo (MCMC) strategy is applied for estimating the unknown curve from the projection data and an attenuation value of the target. In this case, the target is assumed to be homogeneous (it contains only one material). Instead of a single output, the solution of MCMC as a Bayesian framework is a posterior distribution. In addition, the results of the method are conveniently in CAD-compatible format. II. Adaptive methods for choosing regularization parameter are proposed. The first approach is called the controlled wavelet domain sparsity (CWDS). This is based on enforcing sparsity in the two-dimensional wavelet transform domain, and the second so-called the controlled shearlet domain sparsity (CSDS) in the three-dimensional shearlet transform domain. The proposed methods offer a strategy to automatically choosing regularization parameter where the end-users could avoid manually tuning the parameters. A known {\it a priori} sparsity level calculated from some available objects/samples is required. Both algorithms above have been successfully implemented for real measured X-ray data and the results using under-sampled data outperform the baseline method. The proposed methods incur heavy computation costs, however implementing parallelization strategy could save the computation time.Tiivistelmä Tässä väitöskirjassa esitetään uusia algoritmeja röntgenkuvaukseen perustuvaan tietokonetomografiaan käyttäen harvan ja rajoitetun kulman mittausdataa. Erityisesti työssä esitetään seuraavat lähestymistavat: I. Ensimmäinen lähestymistapa perustuu NURBS (engl., non-uniform rational basis splines) –mallin käyttöön. NURBS on matemaattinen malli, jota käytetään kuvattavan kohteen reunojen esittämiseen. Soveltamalla tätä yhdessä Markovin ketju Monte Carlo –strategian (MCMC) kanssa voidaan estimoida reunan käyrä, sekä kohteen vaimenemista kuvaava arvo. Tässä lähestymistavassa kohde oletetaan homogeeniseksi eli sen oletetaan sisältävän vain yhtä ainetta. Käyttäen MCMC-mentelmää saadaan estimoitaville parametreille tilastollinen a posteriori -jakauma. II. Toinen lähestymistapa perustuu adaptiiviseen regularisointiparametrin valitsemiseen. Tätä varten kehitettiin kaksi strategiaa. Ensimmäinen näistä perustuu harvuuden vahvistamiseen ja kontrolloimiseen kaksiulotteisessa aallokemuunoksessa. Toinen taas perustuu harvuuden kontrolloimiseen nk. komiulotteisessa shearlet-sivuttaissiirtymämuunnoksessa. Molemmat menetelmät mahdollistavat regularisointiparametrin automaattisen valitsemisen ilman että loppukäyttäjän tarvitsee itse siihen puuttua. Ennakkotieto kuvattavan objektin harvuuden tasosta kuitenkin vaaditaan. Tässä väitöskirjassa molempia lähestymistapoja testattiin käytännössä käyttäen oikeaa mitattua röntgendataa. Molemmissa lähestymistavoissa uudet algoritmit toimivat paremmin kuin perinteiset vertailumenetelmät. Uudet algoritmit ovat kuitenkin laskennallisesti erittäin raskaita. Tulevaisuudessa suurteholaskennan keinoilla niihin käytettyä laskenta-aikaa voitaneen kuitenkin pienentää.
URI: URN:ISBN:978-951-51-4222-1
http://hdl.handle.net/10138/234497
Päiväys: 2018-05-14
Avainsanat:
Tekijänoikeustiedot: Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.


Tiedostot

Latausmäärä yhteensä: Ladataan...

Tiedosto(t) Koko Formaatti Näytä
NOVELALG.pdf 5.458MB PDF Avaa tiedosto

Viite kuuluu kokoelmiin:

Näytä kaikki kuvailutiedot